فلش‌کارت‌های آموزشی راهنمای جامع استقرار و مدیریت مدل‌های یادگیری ماشین (MLOps)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع استقرار و مدیریت مدل‌های یادگیری ماشین (MLOps)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدیریت چرخه عمر مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر مفاهیم یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 5. مهندسی ویژگی و انتخاب ویژگی
• 6. مدل‌های یادگیری ماشین خطی
• 7. رگرسیون خطی
• 8. رگرسیون لجستیک
• 9. مدل‌های درخت تصمیم
• 10. جنگل‌های تصادفی
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. خوشه‌بندی K-Means
• 13. تحلیل مؤلفه‌های اصلی (PCA)
• 14. شبکه‌های عصبی مصنوعی
• 15. مقدمه‌ای بر یادگیری عمیق
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. حافظه کوتاه‌مدت طولانی (LSTM)
• 19. ترانسفورمرها و توجه (Attention)
• 20. ارزیابی مدل‌های یادگیری ماشین
• 21. معیارهای ارزیابی رگرسیون
• 22. معیارهای ارزیابی طبقه‌بندی
• 23. اعتبارسنجی متقابل (Cross-validation)
• 24. تنظیم هایپرپارامترها
• 25. مقدمه‌ای بر MLOps (عملیات یادگیری ماشین)
• 26. اهمیت MLOps در چرخه عمر مدل
• 27. مراحل چرخه عمر مدل یادگیری ماشین
• 28. برنامه‌ریزی و تعریف مسئله
• 29. جمع‌آوری و آماده‌سازی داده‌ها
• 30. توسعه و آموزش مدل
• 31. ارزیابی و انتخاب مدل
• 32. استقرار مدل (Deployment)
• 33. نظارت و نگهداری مدل
• 34. بازآموزی و به‌روزرسانی مدل
• 35. ابزارها و پلتفرم‌های MLOps
• 36. مدیریت داده‌ها در MLOps
• 37. ردیابی آزمایش‌ها (Experiment Tracking)
• 38. مدیریت کد و نسخه‌بندی
• 39. مدیریت مدل (Model Registry)
• 40. استقرار مدل در محیط پروداکشن
• 41. استقرار مدل به عنوان API
• 42. استقرار مدل در دستگاه‌های لبه (Edge)
• 43. استقرار مدل در محیط‌های ابری
• 44. کانتینرسازی با Docker
• 45. ارکستراسیون کانتینر با Kubernetes
• 46. خطوط لوله CI/CD برای یادگیری ماشین
• 47. خودکارسازی آموزش مدل
• 48. خودکارسازی استقرار مدل
• 49. خودکارسازی تست مدل
• 50. نظارت بر عملکرد مدل در پروداکشن
• 51. تشخیص انحراف داده (Data Drift)
• 52. تشخیص انحراف مدل (Model Drift)
• 53. تنظیم هشدارها برای انحراف
• 54. بازآموزی مدل بر اساس انحراف
• 55. مدیریت موجودی مدل (Model Inventory)
• 56. حاکمیت مدل (Model Governance)
• 57. توضیح‌پذیری مدل (Model Explainability)
• 58. تشریح مدل‌های یادگیری ماشین
• 59. روش‌های LIME و SHAP
• 60. تست واحد و تست یکپارچه‌سازی مدل
• 61. امنیت مدل‌های یادگیری ماشین
• 62. مدیریت دسترسی و مجوزها
• 63. جلوگیری از حملات به مدل
• 64. حفظ حریم خصوصی داده‌ها
• 65. استانداردهای امنیتی در MLOps
• 66. مقیاس‌پذیری در MLOps
• 67. مدیریت منابع محاسباتی
• 68. بهینه‌سازی عملکرد مدل
• 69. کاهش زمان استقرار
• 70. مدیریت هزینه‌ها در MLOps
• 71. نقش تیم‌ها در MLOps
• 72. همکاری بین دانشمندان داده و مهندسان
• 73. فرهنگ سازمانی MLOps
• 74. مقدمه‌ای بر یادگیری ماشین مسئولانه
• 75. سوگیری در داده‌ها و مدل‌ها
• 76. کاهش سوگیری در یادگیری ماشین
• 77. عدالت و انصاف در مدل‌ها
• 78. شفافیت در یادگیری ماشین
• 79. استفاده اخلاقی از هوش مصنوعی
• 80. ملاحظات حقوقی و انطباق
• 81. قوانین حفاظت از داده‌ها
• 82. استانداردهای انطباق در ایران
• 83. مدیریت چرخه عمر مدل‌های پیچیده
• 84. مدل‌های یادگیری عمیق در پروداکشن
• 85. یادگیری تقویتی در MLOps
• 86. سیستم‌های توصیه‌گر در MLOps
• 87. پردازش زبان طبیعی در MLOps
• 88. بینایی ماشین در MLOps
• 89. مقدمه‌ای بر MLOps با استفاده از فریم‌ورک‌های رایج
• 90. MLOps با TensorFlow Extended (TFX)
• 91. MLOps با Kubeflow
• 92. MLOps با MLflow
• 93. MLOps با SageMaker (با رویکرد بومی‌سازی)
• 94. MLOps با Azure ML (با رویکرد بومی‌سازی)
• 95. MLOps با Google Cloud AI Platform (با رویکرد بومی‌سازی)
• 96. انتخاب ابزار مناسب برای MLOps
• 97. معیارهای انتخاب پلتفرم MLOps
• 98. پیاده‌سازی MLOps در سازمان‌های ایرانی
• 99. چالش‌های بومی‌سازی MLOps
• 100. آینده MLOps و نوآوری‌ها